Tuyển ngay một đội ngũ AI chỉ bằng một câu: Nền tảng cộng tác Agent mã nguồn mở hạ rào cản công ty một người xuống mức sàn đá

Chi phí đắt đỏ nhất của bạn không phải là tiền lương, mà là một ngày của bạn chỉ có 16 giờ tỉnh táo.

Một người làm một việc, cùng lắm chỉ đến vậy. Làm ba việc cùng lúc? Hoặc là thuê người (bạn phải bỏ tiền ra), hoặc là cắt bỏ một nửa đơn hàng — suốt mười năm qua, mô hình “công ty một người” cứ mãi mắc kẹt ở điểm này.

Giải pháp năm 2026 sẽ khác: Dùng Agent thay thế nhân viên. Một trọn bộ đội ngũ AI có thể tự phân công công việc, bàn giao chéo cho nhau và làm việc 24/7 ngay trên máy local của bạn. Một dự án mã nguồn mở tên là LobeHub (81.5k Star trên GitHub, 340+ người đóng góp) đã mổ xẻ và chạy thông đường này: cách搭建, cách nhận đơn, và cách biến nó thành nhân viên của bạn, chúng ta sẽ bóc tách ngay dưới đây.

1. Nhìn vào quy mô trước: 80k Star không phải tự nhiên mà có

Dự án này ban đầu có tên là LobeChat, một ứng dụng client ChatGPT mã nguồn mở. Chỉ trong vòng một năm, nó đã tự tái cấu trúc thành LobeHub, nâng cấp từ một công cụ chat lên thành Nền tảng cộng tác Agent. Kho lưu trữ được di chuyển từ lobehub/lobe-chat sang lobehub/lobehub, định vị được đổi thành “Chief Agent Operator” (Giám đốc điều hành Agent — bạn có thể hiểu như một “Giám đốc vận hành”, chỉ khác là đối tượng được quản lý không phải là con người mà là các AI Agent).

Trong giao diện UI, những gì bạn thấy là một sơ đồ tổ chức của các Agent: mỗi Agent đều có tên, vai trò rõ ràng và khả năng tiếp nhận nhiệm vụ.

Một dự án khác trên GitHub là AutoGPT (186k Star) ra đời từ sớm, nhưng xu hướng năm 2026 đã đổi hướng — giới chuyên môn đều đồng thuận: Một Agent độc lập là không đủ, một đội ngũ Agent mới là tương lai. Các dự án phụ trợ như Mem0 (62.9k Star, chuyên về trí nhớ), RAGFlow (86k Star, chuyên về cơ sở tri thức) cũng bùng nổ trong năm nay, toàn bộ hệ sinh thái đang dịch chuyển theo ba hướng: “làm việc theo đội ngũ, có trí nhớ dài hạn, có thể triển khai nội bộ”.

Lợi thế cạnh tranh cốt lõi của LobeHub là gói trọn tất cả những thứ này chỉ trong một lần: cơ sở tri thức tích hợp sẵn, thị trường kỹ năng với hơn 10.000+ plugin (dựa trên chuẩn MCP), điều phối thống nhất đa mô hình, và triển khai nội bộ chỉ với một cú click qua Docker. Cài đặt xong là bạn không cần phải lắp ghép lỉm kỉm bốn năm công cụ lộn xộn nữa, mọi thứ vận hành trơn tru trên cùng một bảng điều khiển duy nhất.

2. Nó thực sự làm việc ra sao: 4 chế độ cộng tác giữa các Agent

Tính năng Agent Groups mới là thứ mang lại giá trị thực sự — những việc mà một Agent đơn lẻ không thể xử lý nổi, nay đã được tích hợp sẵn cơ chế điều phối cả một đội ngũ. Có 4 chế độ cộng tác chính thức, được sắp xếp theo mức độ sử dụng phổ biến từ cao xuống thấp:

① Mô hình Dây chuyền (Sequential) — Dùng cho 80% tác vụ: Agent A viết xong chuyển cho Agent B chỉnh sửa, sửa xong chuyển tiếp cho Agent C làm layout. Bàn giao theo trình tự, mỗi bước đều có thể kiểm duyệt và chặn lại nếu cần.
② Mô hình Song song (Parallel) — Dùng cho 10% tác vụ hàng loạt: Một tác vụ được chia thành N phần, N Agent làm đồng thời, cuối cùng gộp kết quả lại. Cực kỳ hợp cho xử lý batch — ví dụ generate 30 tiêu đề sản phẩm cùng lúc, hoặc viết 100 mô tả ảnh hàng hóa trong một nốt nhạc.
③ Mô hình Lặp lại (Iterative) — Cho số ít nội dung cần gọt giũa liên tục: Một Agent lo phần viết, một Agent khác đóng vai biên tập viên chấm điểm, chưa đạt ngưỡng thì bắt đầu viết lại từ đầu. Dùng cho những việc “cần chất lượng, không cần tốc độ” như tinh chỉnh tiêu đề viral trên Pinterest+Reddit hay viết bài chuyên sâu trên blog.
④ Mô hình Tranh biện (Debate) — Cho số ít tác vụ cần đa góc nhìn: Nhiều Agent tranh luận quanh cùng một chủ đề (ví dụ “đứa sản phẩm này rốt cuộc có đáng mua không?”), một Moderator (điều phối viên) sẽ tổng hợp các điểm bất đồng và đồng thuận. Rất phù hợp cho review sản phẩm hoặc báo cáo nghiên cứu thị trường.

Một kịch bản thực tế: Bạn xây một trang SaaS tool, cần cập nhật 50 mô tả tính năng sản phẩm, bảng giá, đánh giá người dùng mỗi ngày. Dùng mô hình pipeline: Agent đầu tiên kéo data, Agent thứ hai viết bản tiếng Trung, Agent thứ ba viết bản tiếng Anh, Agent thứ tư tối ưu từ khóa SEO. Trước đây một người phải cày cả ngày, giờ một workflow chạy xong trong 30 phút.

3. Đường cắt rẻ nhất: Triển khai Docker cục bộ, đổi model tự do

Nhiều người mắc ở điểm “tôi không chạy được large model”. Giải pháp của LobeHub là chỉ đổi front-end, model gọi qua API.

Docker khởi động service bằng một dòng lệnh (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub, cài Docker Desktop xong dán vào terminal là xong), mở trình duyệt vào localhost:3210 là dùng được ngay. Toàn bộ quá trình tính toán đều diễn ra ở cloud large model, máy local chỉ đóng vai trò UI. Nên dù bạn dùng MacBook Air RAM 8G, vẫn chạy mượt.

Model có thể mix tùy ý. Combo mà ví dụ chính thức khuyến nghị là:

• Gemini 2.5 Pro: Ngữ cảnh dài (hàng triệu token), cực kỳ phù hợp để “nghiền” các tài liệu đồ sộ.
• Kimi (Context 2M): Xử lý tiếng Trung cực đỉnh, là lựa chọn hoàn hảo để phân tích tài liệu tiếng Trung.
• DeepSeek V4 Flash: Giá siêu rẻ (theo tỷ giá hiện tại tháng 08-2026, tương đương khoảng 1 Nhân dân tệ/M token cho đầu vào, 2 Nhân dân tệ/M token cho đầu ra; mức giá chính thức tính bằng USD là $0.14/$0.28 mỗi 1M), cực kỳ phù hợp cho các tác vụ chạy hàng loạt.

Một tác vụ “dịch thuật + viết lại” trọn gói tốn chưa tới 3 xu. Một ngày chạy 100 tác vụ = 3 đồng. Đây chính là cấu trúc chi phí thực tế của mô hình “nhận việc bằng AI” — báo giá khách 1500, chi phí AI vỏn vẹn 30, phần 1470 còn lại chính là lợi nhuận gộp của bạn.

Việc bạn nhận có dính đến hợp đồng khách hàng hay dữ liệu nội bộ? LobeHub cũng hỗ trợ triển khai private cloud hoàn toàn, cơ sở tri thức sử dụng truy xuất vector PGVector (có thể tìm ra các đoạn văn “có ý nghĩa tương đồng”, chứ không chỉ khớp từ khóa một cách máy móc). Cơ sở tri thức và lịch sử hội thoại được lưu trữ hoàn toàn local, dữ liệu nhạy cảm không hề rời khỏi máy của bạn — nhưng phần suy luận (inference) vẫn đi qua LLM API trên đám mây, đây là một ranh giới mà bạn cần nắm rõ.

IV. 3 loại đơn hàng có thể nhận, báo giá theo phí hàng tháng

3 loại đơn hàng bạn có thể nhận ngay hôm nay, báo giá theo phí hàng tháng:

Kịch bản 1: Quản lý và vận hành nội dung (Phí hàng tháng 3000 - 8000 Nhân dân tệ)

Khách hàng là các shop TMĐT quy mô vừa và nhỏ, mỗi tuần cần đăng 5 bài Pinterest, 3 kịch bản TikTok, 2 bài blog. Dùng pipeline Agent Groups thiết lập một chuỗi: Agent chọn chủ đề → Agent viết lệnh → Agent format bài → Agent làm hình ảnh (thường hook với API tạo ảnh như Midjourney/Imagen, mỗi ảnh chỉ tốn vài xu). Một người nhận 5 khách hàng, mỗi ngày dành 2 tiếng làm kiểm soát chất lượng (QC), thời gian còn lại cứ để Agent tự chạy. Chi phí API khoảng 200-500 RMB/tháng, biên lợi nhuận gộp lý thuyết có thể đạt 15.000 - 40.000 RMB.

Kịch bản 2: Báo cáo hàng ngày theo dõi đối thủ (phí dịch vụ 1.500-3.000 RMB/tháng)

Mỗi ngày crawl giá, tồn kho, sản phẩm mới từ 20 trang đối thủ cạnh tranh, tự động ghi vào Google Sheet, đúng 9 giờ sáng gửi email vào hộp thư khách hàng. Dùng chế độ song song để crawl hàng loạt, các biến động quan trọng sẽ báo động riêng. Một người có thể chạy cùng lúc hơn chục khách hàng.

Kịch bản 3: Thuê ngoài CSKH bằng AI (phí dịch vụ 2.000-5.000 RMB/tháng)

Nỗi đau đầu nhất của các shop quy mô nhỏ trên Amazon chính là CSKH ca đêm. Dùng tính năng IM Gateway của LobeHub (hỗ trợ Telegram, Discord, WeChat, WeCom) để tiếp nhận tư vấn khách hàng, tự động phân bổ cho từng Agent tương ứng theo loại vấn đề. Bạn ngủ ngon, shop vẫn nhận đơn.

Điểm chung của ba kịch bản: Báo giá đơn hàng vượt mức chi phí API gấp 50 lần trở lên. Trong mảng nhận việc qua AI, thứ bạn bán chính là thời gian.

Năm: Setup ngay tối nay

Nếu bạn chỉ muốn một phiên bản tối giản nhất có thể chạy ngay, hãy làm theo ba bước sau:

Bước 1: Khởi động dịch vụ. Cài Docker Desktop (có trên cả Mac/Win, cài một chạm từ trang chủ), sau đó chạy docker run -d -p 3210:3210 --name lobehub lobehub/lobehub. Mở trình duyệt tại http://localhost:3210. Nếu cổng 3210 bị chiếm, hãy đổi sang -p 3211:3210.

Bước 2: Tạo ba Agent. Một “Nghiên cứu viên” (gắn Gemini 2.5 Pro, phụ trách đọc tài liệu dài), một “Người viết” (gắn Claude hoặc GPT, phụ trách tạo nội dung), và một “Người duyệt” (gắn mô hình giá rẻ như DeepSeek V4 Flash, phụ trách sửa lỗi chính tả, kiểm tra sự thật). Việc phân vai cho ba loại mô hình giúp tránh việc một mô hình đắt đỏ phải làm hết mọi việc. Đăng ký API key của từng mô hình tại trang chủ tương ứng: Google AI Studio cấp cho Gemini, OpenAI cấp cho GPT, DeepSeek Platform cấp cho DeepSeek, tất cả đều có mức định mức miễn phí để bắt đầu.

Bước 3: Chạy workflow đầu tiên. Tạo một Agent Group, dùng chế độ pipeline để xâu chuỗi 3 Agent lại với nhau. Mô tả task bằng ngôn ngữ tự nhiên: “Đọc file PDF tôi upload, viết tóm tắt 800 chữ tiếng Trung, liệt kê 3 điểm cốt lõi, cuối cùng cho tôi 5 tiêu đề kiểu Pinterest.”

Chạy xong toàn bộ bạn sẽ thấy 3 Agent tự làm việc, giao tiếp qua interface, và deliver kết quả cuối cùng. Nếu output ưng ý, save lại workflow này, lần sau tái sử dụng luôn.

Chạy thông bước này bạn đã vượt xa 90% người — phần lớn mắc kẹt ở “cài xong không biết làm gì”. Trước tiên chạy thông một workflow, rồi hẵng nghĩ tới chuyện nhận deal.

Giới hạn của con đường này: AI không phải người, đừng dùng như nhân viên

Nói xong lộ trình phải nói luôn giới hạn. Có 3 đường đỏ đừng vi phạm — AI nhận deal, job nào nhận được đều là job đã quy trình hóa, vượt line là rework.

Thứ nhất, không thể thay hoàn toàn việc phán đoán. Agent giỏi “chạy theo quy trình”, không giỏi “có nên làm việc này hay không”. Toàn bộ hướng nhận deal, báo giá, đánh giá rủi ro, cuối cùng vẫn là việc của bạn.

Thứ hai, không thể tích hợp liền mạch giữa các hệ thống. LobeHub có đầy đủ cổng IM, email, database, nhưng lại không tương thích out-of-the-box với ERP nội bộ, WeChat Enterprise hay Salesforce của khách hàng. Tích hợp phức tạp bắt buộc phải phát triển tùy chỉnh (secondary development). Bản thân tôi từng nhận một dự án outsourcing chăm sóc khách hàng cho một chuỗi F&B, đối tác yêu cầu kết nối với CRM do họ tự phát triển, cuối cùng dự án này đành phải bỏ ngang — dự kiến 3 tuần phát triển bị kéo dài thành 8 tuần.

Thứ ba, AI có thói quen “nói dối một cách rất tự tin”. Nội dung mang tính thực tế mà Agent đưa ra, bắt buộc phải có người kiểm duyệt lại một lượt trước khi bàn giao cho khách. Nó có thể bịa ra tên khách hàng không có thật, tự ý đặt giá sản phẩm và trình bày y như thật — lần đầu tiên tôi dùng chế độ chat nhóm của Agent để làm đánh giá sản phẩm, 3 Agent “đồng tình với quan điểm của nhau”, kết quả 5 đề xuất đưa ra toàn là cùng một thương hiệu, hoàn toàn không mang lại đa góc nhìn thực sự. Bước rà soát thủ công chốt lại trong 5–10 phút này tuyệt đối không được cắt giảm, cắt giảm đồng nghĩa với phải làm lại, đồng nghĩa với uy tín đổ vỡ.

Nắm rõ ba điều này, bạn sẽ dám nhận những đơn mà người khác không dám nhận — trong ngành nhận việc bằng AI, thứ thiếu hụt nhất chính là những bên nhận hàng thực sự hiểu rõ giới hạn của công nghệ, còn những kẻ chỉ biết hô hào khẩu hiệu thì đầy rẫy ngoài đường.

Một việc bạn có thể làm ngay hôm nay: Lên GitHub tìm lobehub/lobehub, bấm Star. Sau đó về máy local chạy lệnh Docker, dựng Agent Group đầu tiên, nạp một tài liệu bạn mới viết gần đây nhất cho nó, bắt nó xuất 5 tiêu đề cho 5 nền tảng khác nhau — trong 10 phút bạn sẽ thấy công cụ này có đáng dùng hay không. Thực tế hơn nhiều so với việc rượt đuổi “khái niệm AI mới” tiếp theo.